互联网的迅速发展给人们生活带来了巨大的便利,但是,网络的过度使用和依赖会造成网络成瘾的风险。网瘾不仅会影响学生的学习生活,甚至会导致抑郁、自杀等更严重的后果。因此,提前发现网络成瘾的高风险人群,并在早期阶段及时进行干预治疗是非常有必要的。现阶段针对网瘾的检测方法大多使用心理学家的调查问卷,但是这种方法具有一定的局限性。目前,计算机领域多数研究使用朴素贝叶斯、逻辑回归等传统机器学习算法进行建模,而这些方法无法捕获数据中的时序信息。此外,在简单数据集上使用复杂模型容易导致过拟合问题。因此,本文建立了一种使用教育大数据中的时序信息来进行网瘾早期症状检测的个性化预警机制。具体的工作包括:（1）针对使用调查问卷的局限性问题,本文基于教育大数据,在五个不同的维度构建学生时序特征用于网瘾早期症状检测,并对网瘾高风险学生和网瘾低风险学生的差异性进行分析,能够提前发现网络成瘾的高风险人群,获取网瘾早期症状特点,提醒学校、家长及时关注这些学生,采取必要措施,降低网瘾带来的不良影响。（2）针对传统机器学习算法对时序信息捕获不充分的问题,本文构建了基于LSTM的预测模型,并添加Attention机制来增强重要特征对网瘾的影响,通过与基线模型对比和对时序特征进行消融实验分析,实验结果能够充分说明本模型的有效性,且能够较好的捕获数据中的时序特征。（3）针对在简单地数据集上使用复杂的模型带来的模型过拟合问题,本文提出gd-LSTM算法,利用dropout原理,使LSTM的三个门以一定的概率随机不发挥作用,以实现LSTM循环层正则化技术,来解决模型过拟合问题。实验结果表明了本方法的有效性,能够较好的解决过拟合问题。本文建立了一种自动化的检测网瘾早期症状的个性化预警机制,能够提醒学校、老师或家长及时采取必要措施以减少网瘾带来的危害。本文的工作还有助于发现网瘾出现的规律,从看似与网瘾无关的问题中提取出网瘾产生的因素。